Claude Opus 5.5: Anthropic-in yeni modeli
Anthropic Claude Opus 5.5 modelini təqdim etdi. Claude 5.5 ailəsinin ilk modeli artıq VEGA AI-da istifadəyə hazırdır. O, əksər işlərdə Claude Fable 5.1 səviyyəsində nəticə göstərir, amma işlədilməsi nəzərəçarpacaq dərəcədə daha ucuz başa gəlir.
Opus 5-dən bəri nə dəyişib
İlkin sınaq istifadəçilərinin proqramlaşdırma ilə bağlı göstəriciləri ən diqqətçəkən məqamdır. Onlardan biri 680 000 sətirlik kod miqrasiyasını bir gündən az müddətdə həyata keçirib. Bu iş mühəndislər qrupunu həftələrlə məşğul edə bilərdi. Digər istifadəçi 200 000 sətirlik kod bazasını üç saatdan az müddətdə yoxlayıb və düzəldib; eyni yoxlama Opus 5 ilə 20 saatdan çox çəkmiş və 2,5 dəfə çox token sərf etmişdi.
Səmərəlilik də bu mənzərənin digər tərəfidir. Opus 5.5 xidmət göstərmək üçün daha az hesablama resursuna ehtiyac duyur və hər tapşırıqda daha az token işlədir. Nəticədə adi iş yükündə xərc təxminən 40% azalır. Cavablar həmçinin 30%-dən çox daha sürətlə ötürülür.
Anthropic modelin cavab yazma tərzini də yenidən işləyib. Cavablarda vacib məqam ilk növbədə verilir, jarqondan istifadə edilmir və təyin etdiyiniz üslub qaydalarına əməl olunur. Şirkət bildirir ki, Opus 5 ilə bağlı ən çox səslənən irad bu olub. İlkin sınaq istifadəçiləri isə uzunmüddətli seanslarda fərqin aydın hiss olunduğunu deyirlər.
Təhlükəsizlik baxımından Opus 5.5 Anthropic-in avtomatlaşdırılmış davranış auditlərində indiyədək qeydə alınan ən yüksək nəticələri göstərib. O, nəzarət sərhədlərini aşmağa Opus 5-dən təxminən 85% daha az cəhd edib; etdiyi cəhdlərin hamısı aşağı riskli olub və model onları özü qeydə alıb. O, həmçinin prompt inyeksiyalarına qarşı Opus 5-dən daha davamlıdır.
Qiymətləndirmələr
Opus 5.5 Anthropic-in agent əsaslı proqramlaşdırma, kompüterdən istifadə və bilik tələb edən işlər üzrə qiymətləndirmələrində liderdir:
| Qiymətləndirmə | Opus 5.5 | Fable 5.1 | Opus 5 | GPT-6 Astra | GPT-5.6 Sol |
|---|---|---|---|---|---|
| Terminal-Bench 4.0 (agent əsaslı proqramlaşdırma) | 66.4% | 55.8% | 52.3% | 57.9% | 37.3% |
| FrontierCode v1.1 (əsas) | 54.4% | 50.3% | 48.0% | 53.3% | 47.5% |
| CursorBench 4.0 | 57.8% | 51.8% | 46.6% | — | 41.7% |
| GDPval-AA v2.1 (bilik tələb edən işlər) | 1846 | 1735 | 1708 | 1542 | 1588 |
| AutomationBench (biznes iş axınları) | 40.0% | 31.4% | 26.9% | 41.4% | 28.8% |
| Humanity's Last Exam (alətlərlə) | 67.7% | 65.6% | 63.6% | 57.2% | — |
| OSWorld 2.0 (kompüterdən istifadə) | 81.8% | 80.7% | 74.0% | — | — |
| Chartography (diaqramların tanınması) | 89.0% | 88.4% | 83.4% | — | — |
Anthropic etiraf edir ki, bu səviyyədə fərqlər əvvəlki qədər əhəmiyyət daşımır: şirkətin gündəlik istifadəsində Opus 5.5 ilə Fable 5.1 arasındakı fərq cədvəldəkindən daha az hiss olunur. Daha aydın üstünlük isə qiymətdir. Standart səy səviyyəsində Opus 5.5 FrontierCode-da GPT-6 Astra-dan tapşırıq başına təxminən beş dəfə ucuz olmaqla daha yaxşı nəticə göstərir.
Avtonom agentlər üçün təhlükəsizlik
Agentlərin saatlarla nəzarətsiz işləməsinə imkan verən komandalar üçün Opus 5.5 hər əməliyyatı icra olunmazdan əvvəl yoxlayan təsnifatlandırıcı, təhlükəsizlik qruplarının audit edə biləcəyi açıq mənbəli sandbox və birləşdirilməzdən əvvəl boşluqları aşkarlayan kod yoxlaması ilə təchiz olunub. Gray Swan-ın prompt inyeksiyası üzrə qiymətləndirməsində o, sınaqdan keçirilən modellər arasında ən aşağı uğur göstəricisinə görə Fable 5.1 ilə eyni nəticəni göstərib.
Tədqiqat və təhlil
Daxili sınaqda Anthropic Opus 5.5, Fable 5.1 və Opus 5 modellərinə yalnız çətin tapılan mənbələrdən istifadə edərək, vebin surətində bir şirkətin rüblük hesabatını yazdırıb; avtomatlaşdırılmış qiymətləndirici isə hər rəqəmi yoxlayıb. Opus 5.5-in 18 hesabatından 16-sı yoxlamadan keçib; digər iki modelin hesabatlarından isə heç biri keçməyib. Ayrı bir birləşmə təhlili tapşırığında Opus 5.5 işi Opus 5-in 93 dəqiqəsinə qarşı 63 dəqiqəyə tamamlayıb və daha dolğun maliyyə modeli ilə yanaşı, daha səliqəli təqdimat hazırlayıb.
Təhlükəsizlik tədbirləri
Biologiya və kibertəhlükəsizlik sahələrində Opus 5.5 Claude Mythos 5.1 ilə müqayisə oluna bildiyinə görə, o, Fable 5.1 ilə eyni kateqoriyalı təhlükəsizlik tədbirləri ilə istifadəyə verilir: distillə hücumlarına qarşı qorunmaq üçün düşünmə prosesinin saxlanması, Aİ-nin Süni İntellekt Aktına uyğunluq üçün su nişanları və məlumatların sıfır saxlanması. Təsdiqlənmiş təşkilatlar Anthropic-in Həyat Elmləri üzrə Təsdiqləmə Proqramına müraciət edə bilər; Kibertəhlükəsizlik üzrə Təsdiqləmə Proqramı isə yaxın həftələrdə Opus 5.5 üçün açılacaq.
VEGA AI-da sınayın
Claude Opus 5.5 hazırda VEGA AI model seçicisində mövcuddur. Claude Sonnet 5.5 və Claude Haiku 5.5 yaxın həftələrdə istifadəyə veriləcək.